大數據時代的商業銀行風險管控

■

空軍工程大學防空反導學院

根據牛津大學教授邁爾·舍恩伯格對大數據時代的描述，大數據包含規模性(Volume)、多樣性(Vsriety)、高速性(Velocity)等“三大V”特征。然而，大數據所帶來的第四個V：價值(Vslue)卻常常被我們忽視，而價值卻恰恰是我們理解和運用大數據的初衷和目的。從2012年數據作為銀行資產開始，數據資產化的趨勢越來越明顯，迫切需要構建基于互聯網和大數據技術的新型信用風險監測系統，加強對風險的全景分析和前瞻性預警。

一、傳統銀行業面臨的數據現狀

數據和風險是商業銀行運作的兩個主要因素，它們相互補充，維系著商業銀行的正常運行。如果將風險比作銀行的靈魂，那么數據則是銀行流動的血液。那么在大數據蓬勃發展的今天，傳統銀行面臨著那些主要困難呢？

(一)銀行已有數據存在局限性

與互聯網平臺、電子商務平臺等相比，現有的銀行數據蘊含的信息量極其有限，電子商務平臺已經阻斷了相當部分數據來源。例如，對于在支付寶等第三方支付平臺上消費的用戶相關數據，銀行只能獲得交易金額數據，諸如商家的名稱，產品分類，以及每種產品的停留時間等蘊含較大信息量的數據均由第三方支付平臺進行了“截留”。上述特點對銀行的數據挖掘能力產生了極其不利的影響。

(二)信息不對稱現象依然客觀存在

數據管理方法仍然存在本地化、碎片化、簡單化的特點，信息孤島、大企業病、部門墻和數據黑盒隨處可見。有些數據無法得到有效授權，商業銀行也不能隨意非法使用；有些數據單位出于謹慎的原因不愿意向外部世界提供數據服務，因為收集客戶授權交易十分繁瑣。

(三)銀行對外部數據信息的關注度和利用率比較欠缺

隨著互聯網大數據技術的發展，商業銀行應將數據采集重點放在客戶工作單元、網上購物記錄、興趣和個人情緒等非結構化和半結構化數據上。然而，實際相反，大多數商業銀行對外部數據的關注程度低，收集和整合進程發展不足。鑒于銀行風險類型的多樣化和復雜性，數據的儲存和使用以及簡單的結構化數據無法提供所需數量的信息，難以有效提升商業銀行的風險管理水平，導致后來的信用評估出現不必要的偏差。

(四)風險防控存在滯后效應

目前，商業銀行受到數據限制和信息不對稱等諸多因素的影響，信貸投放和貸后監測的深度和廣度不夠。傳統銀行的風險衡量更多地取決于客戶的財務數據和客戶在人民銀行的征信信息。這些信息在或多或少存在數據質量問題的同時，無法保證信息的及時性，無疑給商業銀行業務風險的預防和控制帶來嚴重的滯后效應。

二、新興技術帶來的挑戰和機遇

伴隨著以大數據、人工智能、深度學習、云計算、區塊鏈為代表的信息技術的飛速發展，整個金融環境和交易模式都有可能發生根本性的顛覆性變化。隨著風險控制理念和技術的發展、以及大數據時代的到來，新的挑戰和機遇在商業銀行風險控制領域交織并存。

(一)大數據復雜性給商業銀行增加新的風險

隨著多年市場經濟發展的蓬勃發展，市場環境、信息技術、借款人的生產經營方式和風險特征發生了巨大變化，交易結構日趨復雜，數據量日益增加，有效應用數據信息的難度也增大，這些信息的不確定性與復雜性注定給商業銀行的核心業務帶來了新的風險。

(二)大數據思維帶來全新的風險防控理念

隨著大數據時代的到來，大數據思維引發商業銀行對經營和風險管理方式變革的思考，并在風險識別、預防和提高效率方面帶來了許多新的想法和理念。Visa利用大數據將信用卡詐騙成功的次數從1個月減少到13分鐘，大大降低了信用卡詐騙的風險。實踐證明，當數據規模足夠大時，就會突破先前數據的局限，大大提高我們理解和認知事物的能力，以前的不可能將成為可能、直至變成現實。

(三)大數據挖掘技術在銀行智能風控領域前途廣闊

大數據挖掘技術的存在為我們提供了啟迪，即對所有數據信息進行建模和分析，從整體上進行研究，進而使風險管控得以全面有效。對風險管理部門的監測和預警也可以通過深度數據挖掘得到實質解決，準確應對風險的能力也將大大提高。商業銀行的數據采集、挖掘和分析能力決定了其風險管理水平，而風險管理水平從某種層面上來講直接決定了商業銀行的競爭力。國外先進銀行的經驗業已表明，大數據挖掘技術在提高銀行風險管控方面有著廣泛的用途，其也必將在風險智能防控方面發揮不可估量的作用。

三、部分商業銀行做出的探索與嘗試

只有在掌握盡可能多的數據信息并全面了解客戶真實情況的情況下，才能主觀識別外部欺詐行為，客觀揭示潛在風險，有效預防和控制風險。

中國工商銀行在2012年搭建企業級數據倉庫之后，通過構建風險模型在防范信貸客戶信用風險等方面取得實效；同時其非結構化數據如文本信息挖掘技術應用也取得成效，2016年該行整合內外部信息資源，與公安部合作正式推出了國內首款防電信詐騙的公益軟件——“融安E信”。該產品完成了對詐騙涉案賬戶的全渠道防控，集基礎風險篩查、深度風險挖掘、專屬定制服務以及租賃式反欺詐等多功能于一體，幫助客戶提升了風險識別能力。

中國光大銀行基于原有的數據挖掘平臺，提出并實施了引入外部征信數據和內部行為數據結合的大數據挖掘平臺。通過大數據分析挖掘技術在客戶管理、產品定價、風險管理、客戶營銷等領域運用，有效地降低了銀行卡業務不良率，提升了經營決策應變能力。同時，整合當前流行的挖掘算法資源與大數據挖掘技術,對外統一算法模型的建模、分析、處理等服務能力，大幅提升了業務風險管控水平。

北京銀行通過使用IBM的PureData分析解決方案從客戶行為中提取預判信息，精確定位潛在流失客戶、深挖潛在跨界銷售機會；從交易反欺詐模型、大數據征信體系兩個領域入手，全面對接行內業務系統，實現對交易反欺詐行為的全流程管控，探索大數據、人工智能和銀行風險防控工作的結合點，主動加強金融風險管理，創新業務應用場景與模式，使客戶資金安全與業務穩健高效發展“系”緊了安全帶。

四、幾點思考

(一)站在全局的高度看風險管控

商業銀行應與“BAT”等互聯網金融企業建立信息共享通道與機制，在不侵害客戶合法權益的前提下，實現客戶有效行為信息的互為補充。站在全局的高度建立和完善風險管理體系，提高自身的風險管理水平和管理效能，是商業銀行和互聯網金融企業健康可持續發展的制勝法寶。

(二)構建商業銀行專業型數據挖掘分析隊伍

一個好的平臺需要好的人才方能發揮最大效用，而商業銀行的現狀是主要以軟件開發人員為主，數據挖掘和深度學習方面的專家比較少，頂尖的數據科學家更是稀缺。當下，如何運用自身優勢吸引更多的數據型人才加盟，攜手推動商業銀行戰略轉型、提升運營管理能力、促進風險經營的精細化，是一個嚴峻且迫切的現實問題。也只有借助于一只強有力的數據分析隊伍，才能通過對行內外海量數據的深度挖掘分析，構建全方位客戶信息視圖，有效降低銀行與客戶間信息不對稱的風險。

(三)從事后“亡羊補牢”向事前“未雨綢繆”高階進化

社會事物往往具有一定的規律和可預測性，海量數據的挖掘能力使人類第一次看到了預測的曙光。大數據分析和人工智能為識別客戶風險提供了新的思路，結合大數據思維、現場檢查和場外數據挖掘分析，可以實現機器學習結果與人工識別結果的極高匹配。聯動挖掘客戶內外部信息數據進行關聯風險畫像，全面評估客戶的風險狀況，使風險識別更貼近實際，進而更及時、更有效地進行風險防范和決策。